Comment ça marche

Les quatre niveaux, la condition qui fait passer de l’un à l’autre, comment un verdict est déterminé et comment l’empreinte est estimée.

Pourquoi une échelle

Toute tâche admet plusieurs solutions, et elles ne pèsent pas le même poids. Masquer un numéro de téléphone dans un message peut se faire avec trois expressions régulières ou avec un appel de modèle généraliste sur chaque message entrant. Les deux marchent. L’une coûte zéro et rend la main avant la ligne de code suivante, l’autre coûte à chaque appel, prend environ une seconde, et envoie le message chez un tiers.

Le réflexe, aujourd’hui, est de prendre la plus puissante. Elle marchera sûrement, elle demande moins de réflexion en amont, et c’est ce que tout le monde montre. Le prix se découvre ensuite, sur la facture, dans un audit, ou le jour où le fournisseur déprécie le modèle.

L’échelle sert à rendre ce choix visible au lieu de l’écraser. Elle est fixe et identique sur toutes les fiches, et elle ne mesure pas la qualité d’une solution : elle mesure son poids, c’est-à-dire ce qu’il faut mettre en marche, faire tourner, surveiller et payer pour obtenir le résultat.

Les quatre niveaux

Chaque fiche présente ces quatre niveaux, toujours dans le même ordre, du plus léger au plus lourd. Entre deux niveaux, la condition qui fait passer de l’un à l’autre : pas « quand c’est mieux », mais ce qui rend le niveau du dessous insuffisant.

Règle et algorithme classique

Une expression régulière, une requête, un automate, un tri. Le code fait exactement ce qu’il dit, à chaque fois, et vous pouvez le lire en entier.

Ce que ça coûte: Rien. Le coût marginal est nul, à perpétuité, et il ne dépend d’aucun tarif.
Ce que ça garantit: Le même résultat à chaque fois, un test qui le prouve, et rien qui sorte de chez vous.
Ce qui le fait céder: Une entrée que la règle n’a pas prévue : une orthographe, un format, une intention. La règle ne se trompe pas, elle passe à côté.

Une fiche qui le recommandeCompléter la saisie dans une barre de recherchePas besoin d’IA

De N0 à N1

Quand la liste des exceptions ne se ferme plus. Tant qu’on peut écrire les cas ratés un par un, la règle gagne : elle est lisible, gratuite et testable. Dès que la liste s’allonge à chaque nouveau cas, il faut apprendre au lieu d’énumérer — et il faut donc des exemples déjà étiquetés, ce que N0 ne demandait pas.

Modèle classique léger

Une régression logistique, un TF-IDF, un gradient boosting, des plus proches voisins. Un modèle entraîné sur vos exemples, assez petit pour être versionné à côté du code qui s’en sert.

Ce que ça coûte: Le temps d’étiqueter des exemples, puis presque rien : l’entraînement tient sur un ordinateur portable et la prédiction sur un processeur ordinaire.
Ce que ça garantit: Un résultat reproductible, mesurable sur un échantillon, et des données qui restent chez vous.
Ce qui le fait céder: Un cas dont ce qui le distingue n’est pas dans ses mots. Le modèle compte des formes ; il ne sait pas que deux phrases sans un mot commun demandent la même chose.

Une fiche qui le recommandeRepérer le spam dans un formulaire de contactPas besoin d’IA générative

De N1 à N2

Quand ce qui distingue les cas n’est plus dans les mots mais dans le sens. Un modèle léger compte des mots et des caractères ; il ne rapproche pas « résilier mon abonnement » et « je voudrais arrêter ». Le prix du saut est une machine à tenir en marche, et il ne se paye que si vos cas se ressemblent sans se répéter.

Petit modèle spécialisé auto-hébergé

Un encodeur distillé, un modèle d’embeddings, un moteur de reconnaissance optique. Il pèse des centaines de mégaoctets, il tourne chez vous, et il fait une chose.

Ce que ça coûte: Une machine à tenir en marche, de la mémoire, et quelqu’un qui sache la remettre en route. Aucun abonnement.
Ce que ça garantit: Des données qui ne sortent pas de votre infrastructure, et un modèle qui ne se déprécie pas sous vos pieds.
Ce qui le fait céder: Une tâche qui demande de produire et non de reconnaître, ou une consigne qui change tous les mois.

Une fiche qui le recommandeRepérer les personnes et organisations citées dans un articleDe l’IA, mais un petit modèle chez vous

De N2 à N3

Quand la tâche demande de produire, pas de reconnaître. Un petit modèle spécialisé classe, extrait, transcrit. Écrire une phrase que personne n’a écrite, suivre une consigne formulée en langue, traiter un cas jamais vu : c’est là que le généraliste gagne, et le prix est double — vos données sortent, et deux exécutions ne se ressemblent plus.

API de LLM généraliste

Un appel à un fournisseur externe. Le modèle sait tout faire à peu près, rien exactement, et il ne vous appartient pas.

Ce que ça coûte: Un coût récurrent qui croît avec l’usage, et qui change quand le fournisseur en décide.
Ce que ça garantit: Une réponse à peu près sur presque tout, sans rien à installer ni à entraîner.
Ce qui le fait céder: Rien ne le fait céder en dernier recours — et c’est le problème : on ne sait pas quand il a tort, parce qu’il répond toujours.

Une fiche qui le recommandeRésumer un document longOui, un modèle généraliste se justifie

Tous les niveaux ne sont pas présents sur toutes les fiches. Un niveau absent est marqué absent, avec une raison courte et réelle. Il n’est jamais laissé vide : une case vide se lit comme un oubli, pas comme une décision.

Le niveau le plus lourd n’est pas le mauvais choix. Il est le mauvais choix par défaut.

La méthode, pour qui creuse

Ce qui suit explique comment les verdicts sont établis, comment les chiffres sont exprimés, et ce que ce site refuse de faire. Rien n’y est nécessaire pour lire une fiche.

Comment un verdict est déterminé

Le verdict est le niveau le plus léger qui fait le travail correctement, pour le cas d’usage le plus courant du besoin.

Trois questions, dans cet ordre :

Est-ce que ce niveau fait vraiment le travail ? Pas « à peu près », pas « dans la plupart des cas si on ne regarde pas de trop près ». Le point de rupture de chaque niveau est écrit sur la fiche, et il est démontré par un test qui échoue exprès.
Est-ce que le niveau suivant apporte quelque chose que celui-ci ne peut pas ? Si la réponse est non, le niveau suivant est du poids ajouté sans contrepartie.
Est-ce que ce que ça coûte en retour est acceptable ? Sortie de données, perte de déterminisme, dépendance à un fournisseur, périmètre réglementaire.

Le badge « recommandé » peut se poser sur n’importe quel niveau, y compris N3. Certaines fiches recommandent franchement un modèle généraliste, parce que c’est la bonne réponse. Ce sont elles qui rendent crédibles celles qui recommandent l’inverse.

Quand un verdict dépend d’une condition, la fiche le dit dans sa justification. Un verdict n’est pas une prescription universelle, c’est un point de départ argumenté.

Comment le code est vérifié

Aucune fiche n’est publiée si son code n’a pas été exécuté. C’est la règle la plus importante du projet.

Chaque extrait vit dans un fichier réel du dépôt, avec un test à côté de lui. La fiche importe le fichier, elle ne contient pas de code recopié. Si un test échoue, le site ne se construit pas.

Deux niveaux de preuve sont possibles, et chaque extrait déclare le sien, dans la barre du bloc de code :

Testé tel quel. L’extrait tourne avec ses vraies dépendances, et son test tourne à chaque construction du site. C’est le cas de tous les niveaux N0 et N1.

Testé, service simulé. L’extrait tourne, mais son test remplace le service externe par un double local. C’est le cas des niveaux N2 et N3 : télécharger un modèle de plusieurs centaines de mégaoctets à chaque construction, ou appeler une API payante, n’est pas tenable. Ce que le test vérifie alors : la requête construite, la réponse décodée, les cas d’erreur. Ce qu’il ne vérifie pas : la qualité de la réponse du modèle. C’est dit sur la page, au plus près de l’extrait concerné.

Nous préférons une preuve partielle affichée comme telle à une preuve complète affirmée sans l’être.

Pourquoi il n’y a pas de prix

Les tarifs des fournisseurs changent tous les trimestres, et pas toujours dans le sens qu’on croit. Une valeur absolue écrite aujourd’hui serait fausse dans six mois, et une fiche fausse jette le doute sur toutes les autres.

Les coûts sont donc exprimés en ordres de grandeur, avec un vocabulaire fixe :

Terme	Ce qu’il veut dire
nul	aucun coût marginal
négligeable	moins d’un euro par million d’opérations
faible	de l’ordre de l’euro par million d’opérations
modéré	de l’ordre de la dizaine d’euros par million d’opérations
élevé	de l’ordre de la centaine d’euros par million d’opérations, ou plus

Les latences suivent le même principe, avec cinq classes : <1 ms, ~10 ms, ~100 ms, ~1 s, >1 s.

Ce que la latence annoncée mesure, et il fallait le dire une fois pour toutes : le temps d’une décision sur une entrée, sur une machine ordinaire. Pas celui de l’entraînement, qui n’a lieu qu’une fois. Pas celui du premier chargement d’un modèle en mémoire. Quand l’entraînement ou le chargement pèsent dans la décision d’adopter un niveau — et sur les niveaux N1 et N2, c’est souvent le cas — la fiche le dit dans son texte, pas dans sa classe de latence.

Ce vocabulaire est volontairement grossier. Il suffit pour décider, et il ne périme pas.

Comment l’empreinte est estimée

Ce sont des estimations, et une mesure exacte est impossible côté client d’une API.

Quand vous appelez un modèle chez un fournisseur, vous ne connaissez ni le matériel employé, ni le taux de remplissage du serveur, ni la part de l’entraînement à amortir sur votre requête, ni le mix électrique du centre de données à cet instant. Le fournisseur, lui, les connaît, et ne les publie pas. Toute personne qui vous annonce des grammes de CO₂ par requête d’API vous donne le résultat d’un modèle d’estimation, pas une mesure.

Overkill n’annonce donc aucun chiffre d’empreinte. Les fiches emploient des ordres de grandeur relatifs : négligeable, faible, modérée, élevée. Ils comparent les niveaux entre eux sur une même tâche, ce qui est la seule comparaison que nous puissions faire honnêtement.

Ces ordres de grandeur s’appuient sur les travaux publiés suivants, cités nommément :

Green Algorithms, Lannelongue, Grealey et Inouye, Advanced Science, 2021 — une méthodologie et un calculateur pour estimer l’empreinte d’un calcul à partir du matériel, de la durée et du lieu. green-algorithms.org
Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model, Luccioni, Viguier et Ligozat, 2022 — l’une des rares études publiées qui décompose entraînement, fabrication du matériel et inférence pour un grand modèle de langue. arxiv.org/abs/2211.02001
Software Carbon Intensity, Green Software Foundation — une spécification pour calculer l’intensité carbone d’un logiciel, devenue la norme ISO/IEC 21031. sci.greensoftware.foundation
AFNOR SPEC 2314, Référentiel général pour l’IA frugale, 2024 — un cadre français pour évaluer et réduire l’impact environnemental d’un système d’intelligence artificielle. normalisation.afnor.org
Boavizta — des données et des outils ouverts sur l’impact environnemental du numérique, matériel compris. boavizta.org

Si vous constatez qu’un ordre de grandeur d’une fiche contredit l’une de ces sources, c’est une erreur de notre part et nous voulons le savoir.

Pourquoi la couleur des niveaux n’exprime pas de jugement

L’échelle des niveaux est une rampe de neutres chauds, du plus clair au plus foncé. Ce n’est pas un dégradé du vert au rouge, et ce ne le sera jamais.

Un dégradé vert-rouge dirait « N0 c’est bien, N3 c’est mal ». C’est faux, et ce serait le contraire du propos de ce site. Un modèle généraliste appelé sur la bonne tâche est un bon choix d’ingénierie. Une expression régulière employée là où elle ne peut pas tenir est un mauvais choix, quelle que soit sa légèreté.

La rampe mesure le poids, c’est-à-dire une quantité, pas une valeur. La seule couleur qui porte un jugement sur ce site est le vert du badge « recommandé », et ce badge se pose sur le niveau qui convient au besoin, quel qu’il soit.

Ce que nous ne faisons pas

Nous n’écrivons pas de conseil juridique. Le bloc réglementaire de chaque niveau décrit, de façon factuelle et datée, ce que l’approche vous fait entrer dans le périmètre de, et ce dont elle ne vous dispense pas. Aucune fiche ne dit à personne qu’il est conforme ou non. C’est une information générale ; faites valider votre situation par un professionnel.

Nous ne comparons pas les fournisseurs. Le site n’a ni publicité, ni partenariat, ni programme d’affiliation, et il n’en aura pas. Quand une fiche nomme un outil, c’est parce que le code en a besoin pour tourner, pas parce qu’on le recommande.

Nous ne vous suivons pas. Aucun cookie, aucun traceur, aucune ressource tierce. La seule mesure est un compteur de pages vues, anonyme, sans cookie et servi depuis ce domaine : la page confidentialité dit exactement ce qu’il compte et ce qu’il ne fait pas. Le poids de chaque page est affiché en pied de page, calculé à la construction du site.

Nous n’appelons aucune API de modèle depuis le site. Le site ne contient pas d’IA. Ce n’est pas une contrainte technique, c’est un argument.

Comment signaler une erreur

Une fiche fausse est plus nuisible qu’une fiche absente. Si vous en trouvez une :

ouvrez une issue sur le dépôt, en citant la fiche et le point contesté
ou écrivez directement, si vous préférez ne pas passer par le dépôt

Une correction de fond est traitée avant tout ajout de contenu. Si vous avez raison, la fiche change, et la date de révision avec elle.

Information générale, tenue à jour au mieux. Ce n’est pas un avis juridique. Faites valider votre situation par un professionnel.

Révisée le13 septembre 2026